买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江双峰锅炉制造有限公司申请的专利基于人工智能的蒸汽发生器状态实时监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119150079B 。

龙图腾网通过国家知识产权局官网在2025-12-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411613457.X，技术领域涉及：G06F18/24；该发明授权基于人工智能的蒸汽发生器状态实时监测方法是由方子珣;王卫华;楼华福;吕新斌;徐飞;古德武;吴献南设计研发完成，并于2024-11-13向国家知识产权局提交的专利申请。

本基于人工智能的蒸汽发生器状态实时监测方法在说明书摘要公布了：基于人工智能的蒸汽发生器状态实时监测方法，属于人工智能领域，包括：S1、数据采集与标注；S2、采用基于随机投影嵌入的量子生成对抗网络进行样本生成，实现数据扩充；S3、将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用5层的全连接神经网络进行特征提取；S4、将特征提取后的数据输入到特征降维模型中进行特征降维模型训练，采用基于局部保持投影的自编码神经网络算法实现特征降维；S5、将降维后的数据输入到分类器中进行分类器模型的训练；S6、蒸汽发生器状态识别监测。本发明能够解决样本数量不足和数据多样性缺乏的问题，增强了模型具有噪声或模糊分类边界数据时的鲁棒性。

本发明授权基于人工智能的蒸汽发生器状态实时监测方法在权利要求书中公布了：1.基于人工智能的蒸汽发生器状态实时监测方法，其特征在于，包括如下步骤： S1、数据采集与标注：采集的数据来源于燃烧生物质蒸汽发生器的工艺流程数据，以及引风机、鼓风机、送料、循环泵的控制状态数据和系统操作状态，数据通过传感器和监控系统实时收集，以结构化的JSON格式存储；对采集到的数据进行人工标注； S2、数据扩充：采用基于随机投影嵌入的量子生成对抗网络进行样本生成，进而实现数据扩充；其中，样本生成的训练流程如下： S201、量子生成对抗网络首先将高维数据映射到低维量子态空间，具体采用随机投影嵌入方法初始化量子生成对抗网络的量子态，初始量子态|ψc的定义方式为： 式中，|ψc表示初始化的量子态；αc,i表示第i个数据点的复数概率幅度；|xc,i表示第i个数据点映射后的量子基态；N表示数据样本的总数； S202、在量子生成器的训练过程中，通过量子门操作生成具有特定分布的量子态，并调整量子生成器的参数，进而最小化生成数据与实际数据之间的差异，量子生成器的参数更新方式表示为： 式中，θc表示量子生成器的参数；表示第t+1次迭代的量子生成器的参数；表示第t次迭代的量子生成器的参数；ηc表示量子生成器的学习率； c表示量子信息增益损失函数；表示量子信息增益损失函数关于参数θc的梯度；δct为第t次迭代的动态调整系数； 其中，动态调整系数根据数据的变异系数动态调整，调整方式表示为： 式中，κcd是第一调整超参数；λcd是第二调整超参数；CVc为变异系数； 变异系数的计算方式表示为： 其中，σcd和μcd分别为当前输入批次数据的标准差和平均值； S203、量子生成器输出的量子态经过逆量子傅里叶变换后，转换为用于机器学习的合成数据，表示为： Xsynth,c＝IQFT|ψc 式中，Xsynth,c表示生成的合成数据；IQFT表示逆量子傅里叶变换函数； 步骤S203中，生成的合成数据Xsynth,c通过混合核密度估计进行调整，利用核函数更精确地模拟目标数据分布，表示为： 式中，Kadjusted,c表示混合核密度函数；βc,j表示第j个核的混合权重；λc,j表示第j个核函数的带宽；Xsynth,R表示核中心；表示数据Xsynth,c的第j个特征；Mr表示生成的合成数据Xsynth,c的特征维度； 其中，混合核密度函数的计算方式表示为： 式中，μc,j和σc,j是数据Xsynth,c的第j个特征的均值和标准差；νc,j是拉普拉斯核的位置参数；∈cd是防止分母为零的小正数； S204、在量子判别器的训练过程中，量子判别器通过对比真实数据和合成数据的量子态构建量子判别器的损失函数，并通过最小化量子判别器的损失函数实现参数的寻优，量子判别器的参数的更新过程表示为： 式中，ωc表示量子判别器的参数；表示第t次迭代的量子判别器的参数；表示第t+1次迭代的量子判别器的参数；γc表示量子判别器的学习率； Dc表示量子判别器的损失函数；表示量子判别器的损失函数关于参数ωc的梯度； 其中，量子判别器的损失函数的计算方式表示为： 式中，yc,i是第i个样本的标签；|ψc,i是第i个样本的量子态； S205、重复迭代步骤S201-S204，直至满足预设的停止迭代条件，即表示模型训练完成；数据扩充模型训练完成后，利用训练好的数据扩充模型增加样本数量； S3、特征提取模型训练：将扩充后的数据输入到特征提取模型中进行特征提取模型的训练，采用5层的全连接神经网络进行特征提取； S4：特征降维模型训练：将特征提取后的数据输入到特征降维模型中进行特征降维模型训练； S5、分类器模型训练：将降维后的数据输入到分类器中进行分类器模型的训练； S6、蒸汽发生器状态识别监测：通过训练完成的模型对新的蒸汽发生器状态数据进行处理，实现实时监测和状态分类，具体是将采集的原始数据输入到训练完成的特征提取和特征降维模型中进行特征处理，再将处理得到的特征输入到分类器模型中进行分类器的训练，进而得到分类结果。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江双峰锅炉制造有限公司，其通讯地址为：321200 浙江省金华市武义县振兴路150号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。